decomposition

problem,比如10个,然后有个subproblem,用来add constraints on the fly.如此循... Benders应用得很成功的案例,比如multi-commodity network flow problem.

degradation 老化; 退化decomposition 分解, 腐败, 变质

一般矩阵先经过正交相似变化成为Hessenberg矩阵，然后再应用QR方法求特征值和特征向量。它是将矩阵分解成一个正规正交矩阵Q与上三角形矩阵R，所以称为QR分解法，与此正规正交矩阵的通用符号Q有关。如果实（复）非奇异矩阵A能够化成正交（酉）矩阵Q与实（复）非奇异上三角矩阵R的乘积，即A=QR，则称其为A的QR分解。

这个可能是主板你把U盘插到USB3.0接口上了。你换个接口试试。。

SVD这是线性代数现在的重中之重，相比之前，约旦标准型的光辉岁月已经退去了、SVD中文叫奇异值分解。线性代数里面X"X矩阵是非常重要的矩阵 因为既保留了X的所有信息 又把这种信息的载体优化了，具备了很好的性质，比如如果X列满秩或者行满秩，X"X就是可逆的，对称的，而且可以构造投影矩阵，这是最小二乘的基础。 但是X不一定就能满秩，所以X"X就不是满秩方阵，也就不可逆，但是有逆这个性质我们非常想得到，SVD就出现了。SVD的第一大应用就是使得非满秩的X"X有逆，国外称作伪逆，我们叫广义逆，其实国内的广义逆有很多不唯一，SVD可以帮你找到最好的那个。这样最小二乘法就能继续得到应用。

矩阵的迹 trace 方阵对角元素之和 Singular value decompostion 奇异值分解非常有用，对于矩阵A(p*q)，存在U(p*p)，V(q*q)，B(p*q)（由对角阵与增广行或列组成），满足A = U*B*V U和V中分别是A的奇异向量，而B中是A的奇异值。AA"的特征向量组成U，特征值组成B"B，A"A的特征向量组成V，特征值（与AA"相同）组成BB"。因此，奇异值分解和特征值问题紧密联系。 如果A是复矩阵，B中的奇异值仍然是实数。 SVD提供了一些关于A的信息，例如非零奇异值的数目（B的阶数）和A的阶数相同，一旦阶数确定，那么U的前k列构成了A的列向量空间的正交基。 在数值分析中，由于数值计算误差，测量误差，噪声以及病态矩阵，零奇异值通常显示为很小的数目。 将一个矩阵分解为比较简单或者性质比较熟悉的矩阵之组合，方便讨论和计算。由于矩阵的特征值和特征向量在化矩阵为对角形的问题中占有特殊位置， 因此矩阵的特征值分解。。。尽管矩阵的特征值具有非常好的性质，但是并不是总能正确地表示矩阵的“大小”。矩阵的奇异值和按奇异值分解是矩阵理论和应用中十分重要的内容，已成为多变量反馈控制系统最重要最基本的分析工具之一，奇异值实际上是复数标量绝对值概念的推广， 表示了反馈控制系统的输出/输入增益，能反映控制系统的特性。《鲁棒控制。。倾斜转弯导弹》 昨天看了一个网页，，知道了奇异值分解就是把矩阵A分解成hanger，stretcher，aligner的三重积。从几何意义上讲矩阵A乘以几何图形（用数值序列x，y代表），相当于对几何图形先扭转，再拉伸，再扭转。从这里也知道，“正交”的概念特别有用。一对最简单的正交基（orthogonal basis,perpframe）是p1 = [cos(s) sin(s)]，p2 = [-sin(s) cos(s)]，它可以用于几何变换。